多线程爬虫
有些时候,比如下载图片,是一个比较耗时的操作,如果采用同步的方式去下载,效率肯定会特别慢,这时候我们就可以考虑使用多线程的方式来下载图片
多线程介绍
- 多线程是为了同步完成多项任务,通过提高资源使用效率来进一步提高系统的效率
- 线程是在同一时间需要完成多项任务的时候实现的
- 最简单的比喻,多线程就像火车的每一节车厢,而进程则是火车。车厢离开火车是无法跑动的,火车可以有多节车厢
- 多线程的出现就是为了提高效率……
threading模块
threading模块是python中专门提供用来做多线程编程的模块,threading模块中最常用的类是Thread
import threading
import time
def coding():
for x in range(3):
print("coding %s" % x)
time.sleep(1)
def drawing():
for x in range(3):
print("drawing %s" % x)
time.sleep(1)
def single_thread():
coding()
drawing()
def multi_thread():
t1 = threading.Thread(target=coding)
t2 = threading.Thread(target=drawing)
t1.start()
t2.start()
if __name__ == "__main__":
multi_thread()
查看线程函数
使用 threading.enumerate()
函数可以看到当前线程的数量
查看当前线程的名字
使用 threading.current_thread()
可以看到当前线程的信息
继承自 threading.Thread 类
为了让线程代码更好的封装,可以使用 threading 模块下的 Thread 类,继承自这个类然后实现 run 方法,线程就会自动运行 run 方法中的代码
import threading
import time
class CodingThread(threading.Thread):
def run(self):
for x in range(3):
print("coding %s" % threading.current_thread())
time.sleep(1)
class DrawingThread(threading.Thread):
def run(self):
for x in range(3):
print("drawing %s" % threading.current_thread())
time.sleep(1)
def multi_thread():
t1 = CodingThread()
t2 = DrawingThread()
t1.start()
t2.start()
if __name__ == "__main__":
multi_thread()
多线程共享全局变量的问题
多线程都是在同一个进程中运行的,因此在进程中的全局变量所有线程都是可以共享的,这就会造成一个问题,因为线程执行的顺序是无序的,有可能就会导致数据错误,比如下面代码
import threading
VALUE = 0
def add_value():
global VALUE
for x in range(1000000):
VALUE += 1
print(VALUE)
def main():
for x in range(2):
t = threading.Thread(target=add_value)
t.start()
if __name__ == "__main__":
main()
以上代码结果正常来讲应该是2000000,但是因为多线程运行的不确定性,因此最后的结果可能是随机的,于是我们可以使用锁机制解决这个问题
锁机制
为了解决以上使用共享全局变量的问题,threading 提供了一个Lock类,这个类可以在某个线程访问某个变量的时候加锁,其他线程此时就不能进来,知道当前线程处理完成后,把锁释放,其他线程才能进来处理
import threading
VALUE = 0
lock = threading.Lock()
def add_value():
global VALUE
lock.acquire()
for x in range(1000000):
VALUE += 1
lock.release()
print(VALUE)
def main():
for x in range(2):
t = threading.Thread(target=add_value)
t.start()
if __name__ == "__main__":
main()
Lock 版生产者和消费者模式
生产者和消费者模式是多线程开发中经常遇见的一种模式,生产者的线程专门用来生产数据,然后放到中间变量中,消费者再从这个中间的变量中取出数据进行消费,但是因为要使用中间变量,中间变量经常是全局变量,因为需要用锁来保证数据的完整性。
使用 threading.Lock
锁实现 生产者和消费者模式例子
import threading
import time
import random
gMoney = 1000
gLock = threading.Lock()
gTotalTimes = 10
gTimes = 0
class Producer(threading.Thread):
def run(self):
global gMoney
global gTimes
while True:
money = random.randint(100, 1000)
gLock.acquire()
if gTimes >= gTotalTimes:
gLock.release()
break
gMoney += money
print('%s 生产了%d元钱,剩余%d元钱' % (threading.current_thread(), money, gMoney))
gTimes += 1
gLock.release()
time.sleep(0.5)
class Consumer(threading.Thread):
def run(self):
global gMoney
while True:
money = random.randint(100, 1000)
gLock.acquire()
if gMoney >= money:
gMoney -= money
print('%s消费者消费了%d元钱,剩余%d元钱' % (threading.current_thread(), money, gMoney))
else:
if gTimes >= gTotalTimes:
gLock.release()
break
print('%s消费者准备消费%d元钱,剩余%d元钱,不足!' % (threading.current_thread(), money, gMoney))
gLock.release()
time.sleep(0.5)
def main():
for x in range(3):
t = Consumer(name='消费者线程%d' % x)
t.start()
for x in range(5):
t = Producer(name='生产者线程%d' % x)
t.start()
if __name__ == "__main__":
main()
Condition 版生产者与消费者模式
就上面的例子,Lock版本的生产者与消费者模式可以正常的运行,但是存在一些不足,在消费者中总是通过 while-True 死循环并且上锁的方式去判断钱够不够。上锁是一个很耗费CPU资源行为,因为这种方式不是最好的解决方法,还有一种更好的方式就是使用 threading.Condition
来实现
threading.Condition
可以在没有数据的时候处于阻塞等待状态,一旦有合适的数据了,还可以使用 notify
相关的函数来通知其他处于等待的线程,这样就可以不用做一些无用的上锁和解锁操作,从而可以提高程序的性能
threading.Condition
类是 threading.Lock
,可以在修改全局数据的时候进行上锁,也可以在修改完毕后进行解锁
- acquire:上锁
- release:解锁
- wait:将当前线程处于等待状态,并且会释放锁。可以被其他线程使用notify和notify_all函数唤醒。被唤醒后会继续等待上锁,上锁后继续执行下面的代码
- notify:通知某个正在等待的线程,默认是第一个等待的线程
- notify_all:通知所有正在等待的线程,notify和notify_all不会释放锁。并且需要在release之前调用
使用 threading.Condition
实现生产者和消费者模式例子
import threading
import time
import random
gMoney = 1000
gCondition = threading.Condition()
gTotalTimes = 10
gTimes = 0
class Producer(threading.Thread):
def run(self):
global gMoney
global gTimes
while True:
money = random.randint(100, 1000)
gCondition.acquire()
if gTimes >= gTotalTimes:
gCondition.release()
break
gMoney += money
print('%s 生产了%d元钱,剩余%d元钱' % (threading.current_thread(), money, gMoney))
gTimes += 1
gCondition.notify_all()
gCondition.release()
time.sleep(0.5)
class Consumer(threading.Thread):
def run(self):
global gMoney
while True:
money = random.randint(100, 1000)
gCondition.acquire()
while gMoney < money:
if gTimes >= gTotalTimes:
gCondition.release()
return
else:
print('%s消费者准备消费%d元钱,剩余%d元钱,不足!' % (threading.current_thread(), money, gMoney))
gCondition.wait()
gMoney -= money
print('%s消费了%d元钱,剩余%d元钱' % (threading.current_thread(), money, gMoney))
gCondition.release()
time.sleep(0.5)
def main():
for x in range(3):
t = Consumer(name='消费者线程%d' % x)
t.start()
for x in range(5):
t = Producer(name='生产者线程%d' % x)
t.start()
if __name__ == "__main__":
main()
Queue线程安全队列
在线程中,访问一些全局变量,加锁是一个经常的过程,如果先把一些数据存储在某个队列中,那么python内置了一个线程安全的模块叫做queue模块,python中的queue模块提供了同步的、线程安全的队列类,包括FIFO(先进先出)队列Queue,LIFO(后入先出)队列LifeQueue。这些队列都实现了锁原语(可以理解为原子操作,要么不做,要么都做完),能够在多线程中直接使用,可以使用队列来实现线程间的同步
- 初始化Queue(maxsize):创建一个先进先出的队列
- qsize():返回队列的大小
- empty():判断队列是否为空
- full():判断队列是否满了
- get():从队列中取最后一个数据
- put():将一个数据放到队列中
使用生产者与消费者模式多线程下载 斗图啦 表情包
import os
import re
import threading
from queue import Queue
from urllib import request
import requests
from lxml import etree
class Procuder(threading.Thread):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
}
def __init__(self, page_queue, img_queue, *args, **kwargs):
super(Procuder,self).__init__(*args, **kwargs)
self.page_queue = page_queue
self.img_queue = img_queue
def run(self):
while True:
if self.page_queue.empty():
break
url = self.page_queue.get()
self.parse_page(url)
def parse_page(self, url):
response = requests.get(url,headers=self.headers)
text = response.text
html = etree.HTML(text)
imgs = html.xpath('//div[@class="page-content text-center"]//img[@class!="gif"]')
for img in imgs:
img_url = img.get('data-original')
img_name = img.get('alt')
img_name = re.sub(r'[\??\.,。!!;;\*]', '', img_name)
img_suffix = os.path.splitext(img_url)[1]
filename = img_name + img_suffix
self.img_queue.put((img_url, filename))
class Consumer(threading.Thread):
def __init__(self, page_queue, img_queue, *args, **kwargs):
super(Consumer,self).__init__(*args, **kwargs)
self.page_queue = page_queue
self.img_queue = img_queue
def run(self):
while True:
if self.img_queue.empty() and self.page_queue.empty():
break
img_url, filename = self.img_queue.get()
request.urlretrieve(img_url, 'images/' + filename)
print(filename + ' 下载完成!')
def main():
page_queue = Queue(100)
img_queue = Queue(1000)
for x in range(1, 101):
url = 'https://www.doutula.com/photo/list/?page=%d' % x
page_queue.put(url)
for x in range(5):
t = Procuder(page_queue, img_queue)
t.start()
for x in range(5):
t = Consumer(page_queue, img_queue)
t.start()
if __name__ == "__main__":
main()
GIL全局解释器锁
Python自带的解释器是CPython,CPython解释器的多线程实际上并非真正的多线程(在多核CPU中,只能利用一核,不能利用多核)。同一时刻只有一个线程在执行,为了保证同一时刻只有一个线程在执行,在CPython解释器中有一个东西叫做 GIL(Global Intepreter Lock),叫做全局解释器,这个解释器锁是有必要的,因为CPython解释器的内存管理不是线程安全的,当然除了CPython解释器,还有其他解释器,有些解释器是没有GIL锁的
- Jython:用Java实现的Python解释器。不存在GIL锁
- IronPython:用.net实现的Python解释器。不存在GIL锁
- PyPy:用Python实现的Python解释器。存在GIL锁
GIL虽然是一个假的多线程。但是在处理一些IO操作(比如文件读写和网络请求)还是可以在很大程度上提高效率的。在IO操作上建议使用多线程提高效率。在一些CPU计算操作上不建议使用多线程,而建议使用多进程
多线程爬取百思不得姐段子数据
import csv
import threading
from queue import Queue
import requests
from lxml import etree
class budejieSpider(threading.Thread):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
}
def __init__(self, page_queue, joke_queue, *args, **kwargs):
super(budejieSpider, self).__init__(*args, **kwargs)
self.base_domain = "http://www.budejie.com"
self.page_queue = page_queue
self.joke_queue = joke_queue
def run(self):
while True:
if self.page_queue.empty():
break
url = self.page_queue.get()
response = requests.get(url, headers=self.headers)
text = response.text
html = etree.HTML(text)
descs = html.xpath("//div[@class='j-r-list-c-desc']")
for desc in descs:
jokes = desc.xpath(".//text()")
joke = "\n".join(jokes).strip()
link = self.base_domain+desc.xpath(".//a/@href")[0]
self.joke_queue.put((joke, link))
print('第%s页下载完成!' % url.split('/')[-1])
class budejieWriter(threading.Thread):
headers = {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/75.0.3770.100 Safari/537.36'
}
def __init__(self, joke_queue, writer, gLock, *args, **kwargs):
super(budejieWriter, self).__init__(*args, **kwargs)
self.joke_queue = joke_queue
self.writer = writer
self.lock = gLock
def run(self):
while True:
try:
joke_info = self.joke_queue.get(timeout=40)
joke, link = joke_info
self.lock.acquire()
self.writer.writerow((joke, link))
self.lock.release()
print('保存一条.')
except:
pass
def main():
page_queue = Queue(10)
joke_queue = Queue(500)
gLock = threading.Lock()
fp = open('budejie.csv', 'a', newline='', encoding='utf-8')
writer = csv.writer(fp)
writer.writerow(('content', 'link'))
for x in range(1, 11):
url = 'http://www.budejie.com/text/%d' % x
page_queue.put(url)
for x in range(5):
t = budejieSpider(page_queue, joke_queue)
t.start()
for x in range(5):
t = budejieWriter(joke_queue, writer, gLock)
t.start()
if __name__ == "__main__":
main()